一種基于圖像信息的客流量識(shí)別統(tǒng)計(jì)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于圖像信息的客流量識(shí)別統(tǒng)計(jì)方法。
【背景技術(shù)】
[0002]客流量一直都是商場(chǎng)、機(jī)場(chǎng)、公交車站、地鐵站等公共場(chǎng)所進(jìn)行管理和決策不可或缺的重要數(shù)據(jù)，隨著我國(guó)經(jīng)濟(jì)與科技的發(fā)展，許多行業(yè)對(duì)客流量統(tǒng)計(jì)的需求也日益見(jiàn)長(zhǎng)。傳統(tǒng)的人工統(tǒng)計(jì)方法費(fèi)時(shí)費(fèi)力，且時(shí)效性不強(qiáng)，后續(xù)數(shù)據(jù)處理繁瑣，不能提供實(shí)時(shí)的統(tǒng)計(jì)數(shù)據(jù)，因此開(kāi)發(fā)出一種實(shí)時(shí)的客流量智能統(tǒng)計(jì)系統(tǒng)具有十分重要的意義。
[0003]傳統(tǒng)的紅外光電檢測(cè)客流量統(tǒng)計(jì)系統(tǒng)原理簡(jiǎn)單，應(yīng)用比較廣泛，但有明顯的缺陷:主動(dòng)式受溫度、光照等自然條件影響較大，可靠性較差；被動(dòng)式可靠性較強(qiáng)，但價(jià)格昂貴，且受場(chǎng)地限制?；趫D像信息的客流量識(shí)別統(tǒng)計(jì)具有成本低、安裝維護(hù)簡(jiǎn)單等優(yōu)點(diǎn)，還能與原有的監(jiān)控系統(tǒng)相連接，不需另購(gòu)設(shè)備。
[0004]該系統(tǒng)設(shè)計(jì)主要解決動(dòng)態(tài)圖像中多目標(biāo)的識(shí)別與跟蹤計(jì)數(shù)問(wèn)題，目前已提出多種基于動(dòng)態(tài)圖像的客流量統(tǒng)計(jì)計(jì)數(shù)方法，具有代表性的主要有以下三種方法:
[0005](I)建立行人真實(shí)軌跡的數(shù)學(xué)統(tǒng)計(jì)模型。如結(jié)合利用背景建模方法和先驗(yàn)假設(shè)算法得到前景模塊，再對(duì)軌跡模型濾波以排除非行人軌跡。該算法比直接檢測(cè)行人節(jié)省了時(shí)間，但對(duì)軌跡數(shù)學(xué)模型要求較高，且依賴于前景塊識(shí)別的準(zhǔn)確度。
[0006](2)基于遺傳算法。如“基于遺傳算法的客流量分析系統(tǒng)研宄”通過(guò)將遺傳算法引入到了客流量的統(tǒng)計(jì)系統(tǒng)中提高了客流量的準(zhǔn)確性，但是由于是通過(guò)人體識(shí)別，當(dāng)客流量較大時(shí)遮擋面積的增多導(dǎo)致識(shí)別難度增大。
[0007](3)數(shù)學(xué)形態(tài)學(xué)算法。如“基于改進(jìn)特征跟蹤的客流量統(tǒng)計(jì)”提出了一種基于數(shù)學(xué)形態(tài)學(xué)的客流量統(tǒng)計(jì)方法，首先對(duì)進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理后的目標(biāo)連通域進(jìn)行分析，采用向前搜索原則確定目標(biāo)的新位置，通過(guò)劃定計(jì)數(shù)線進(jìn)行計(jì)數(shù)。該方法實(shí)現(xiàn)簡(jiǎn)單，但是容易與其它非人運(yùn)動(dòng)目標(biāo)混淆，影響統(tǒng)計(jì)的準(zhǔn)確性。

【發(fā)明內(nèi)容】

[0008]本發(fā)明要解決的技術(shù)問(wèn)題在于針對(duì)現(xiàn)有技術(shù)中的缺陷，提供一種基于圖像信息的客流量識(shí)別統(tǒng)計(jì)方法。
[0009]本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是:一種基于圖像信息的客流量識(shí)別統(tǒng)計(jì)方法，包括以下步驟:
[0010]I)確定目標(biāo)檢測(cè)區(qū)域；設(shè)置目標(biāo)圖像檢測(cè)區(qū)域ROI的四個(gè)參數(shù):RO1.X代表檢測(cè)區(qū)域ROI左上角點(diǎn)的X軸坐標(biāo)，RO1.Y代表檢測(cè)區(qū)域ROI左上角點(diǎn)的y軸坐標(biāo)，RO1.Width代表檢測(cè)區(qū)域ROI的寬度，RO1.Height代表檢測(cè)區(qū)域ROI的高度；
[0011]2)確定目標(biāo)檢測(cè)區(qū)域沒(méi)有待檢測(cè)目標(biāo)存在時(shí)的背景圖像；采用多幅圖像平均法，對(duì)10?20幀原始圖像疊加求取平均值，獲取目標(biāo)不存在時(shí)視頻圖像的背景圖像，記為I。；
[0012]3)對(duì)采集的視頻圖像的每幀圖像進(jìn)行處理，將存在運(yùn)動(dòng)目標(biāo)圖像幀按順序存入數(shù)組中；
[0013]將采集到的視頻圖像的第i幀圖像進(jìn)行分塊處理，記為當(dāng)前幀圖像，然后選定目標(biāo)圖像檢測(cè)區(qū)域ROI ；
[0014]對(duì)當(dāng)前幀圖像進(jìn)行二值化后、距離變換后，再通過(guò)均值濾波或亞取樣，得到當(dāng)前幀圖像的增強(qiáng)圖像；然后與經(jīng)過(guò)I)?3)步處理過(guò)的第1-ι幀圖像進(jìn)行差分，將選定的目標(biāo)圖像檢測(cè)區(qū)域ROI的差值記為NZ ；
[0015]將運(yùn)動(dòng)檢測(cè)差值NZ與設(shè)定的報(bào)警最小元素?cái)?shù)量限定值NO作比較:若NZ < NO，則沒(méi)有運(yùn)動(dòng)存在，自動(dòng)采集第i+Ι幀原始圖像，返回第3)步；若NZ多NO，則保存當(dāng)前幀圖像，記為Il ;
[0016]對(duì)當(dāng)前幀圖像和背景圖像^進(jìn)行差分，將選定的目標(biāo)圖像檢測(cè)區(qū)域ROI的差值記為Nb;
[0017]將目標(biāo)檢測(cè)差值Nb與設(shè)定的報(bào)警最小元素?cái)?shù)量限定值N ^ ’作比較:若Nb< Nc/,則沒(méi)有待檢測(cè)目標(biāo)存在；若NB> N ^，則報(bào)警存在運(yùn)動(dòng)的目標(biāo)，然后將存在運(yùn)動(dòng)目標(biāo)的當(dāng)前幀圖像存入數(shù)組MovingImages [i] [j]中；
[0018]4)根據(jù)圖像幀是否連續(xù)，對(duì)數(shù)組中的圖像幀進(jìn)行分塊；
[0019](I)將目標(biāo)圖像檢測(cè)區(qū)域ROI的橫坐標(biāo)的最小值和最大值分別保存到對(duì)應(yīng)的變量xin和xout中，然后讀取數(shù)組MovingImages [i] [j]中的第一幀原始圖像序列，記為多目標(biāo)跟蹤統(tǒng)計(jì)計(jì)數(shù)的當(dāng)前幀目標(biāo)圖像；
[0020](2)定義計(jì)數(shù)變量PersonIn和PersonOut，分別記錄進(jìn)入和離開(kāi)的目標(biāo)數(shù)量，初始化設(shè)置為0，并規(guī)定沿X方向?yàn)檫M(jìn)，逆X方向?yàn)槌觯?br>[0021](3)對(duì)當(dāng)前幀目標(biāo)圖像進(jìn)行基于差分法的自適應(yīng)背景分割，將獲得的運(yùn)動(dòng)區(qū)域圖像進(jìn)行二值化，用(與頭部大小相稱的)2 X 2結(jié)構(gòu)算子對(duì)目標(biāo)圖像的二值圖像進(jìn)行形態(tài)學(xué)腐蝕，以去除偽目標(biāo)(即非頭部圖像)，再通過(guò)形態(tài)學(xué)膨脹還原實(shí)際目標(biāo)的大小，獲得只含有運(yùn)動(dòng)目標(biāo)連通域的二值圖像；
[0022](4)遍歷只含有運(yùn)動(dòng)目標(biāo)連通域的二值圖像，獲取各個(gè)目標(biāo)連通域Area[n] [i]的特征值，存入相應(yīng)的鏈表中，其參數(shù)包括:圖像索引Num，目標(biāo)索引Index，目標(biāo)質(zhì)心的橫坐標(biāo)X和縱坐標(biāo)Y，對(duì)應(yīng)原圖像目標(biāo)區(qū)域的灰度平均值Gray，目標(biāo)區(qū)域矩形包圍窗口的長(zhǎng)度Length和寬度Width，目標(biāo)區(qū)域的面積大小Space ；
[0023](5)根據(jù)獲得的目標(biāo)連通域Area[n] [i]的特征值，用Kalman濾波來(lái)預(yù)測(cè)下一幀圖像中目標(biāo)連通域Area[n+1] [i]的質(zhì)心運(yùn)動(dòng)位置p (xi，yi)的搜索區(qū)域；
[0024](6)采集下一幀圖像，對(duì)其進(jìn)行步驟(2)的操作；
[0025](7)同步驟(3)；
[0026](8)根據(jù)改進(jìn)的代價(jià)函數(shù)，在當(dāng)前幀圖像的Kalman預(yù)測(cè)搜素區(qū)域匹配下一幀圖像各目標(biāo)連通域，計(jì)算當(dāng)前幀目標(biāo)連通域Area[n][i]與下一幀圖像對(duì)應(yīng)搜索區(qū)域內(nèi)所有目標(biāo)連通域的代價(jià)函數(shù)值，并找出其中最小值(假設(shè)與下一幀目標(biāo)Area[n+1] [j]代價(jià)函數(shù)值最小)；
[0027](9)計(jì)算目標(biāo)連通域Area[n] [i]和Area[n+1] [j]的質(zhì)心距離d，并與質(zhì)心距離限定值d0作比較。若d < d0，則目標(biāo)連通域Area[n+1] [j]為目標(biāo)連通域Area[n] [i]的后續(xù)，用目標(biāo)連通域Area[n+1] [j]的特征值替代目標(biāo)連通域Area[n] [i]的值，并對(duì)目標(biāo)連通域Area[n+1] [j]做標(biāo)記，建立目標(biāo)鏈；
[0028](10)若d > d0，則目標(biāo)連通域Area[n] [i]在下一幀中沒(méi)有后續(xù)，目標(biāo)連通域Area[n] [i]可能離開(kāi)圖像觀測(cè)窗口或者暫時(shí)靜止，需判斷目標(biāo)連通域Area[n] [i]的質(zhì)心坐標(biāo)X的位置:
[0029]5)對(duì)分塊后的圖像幀進(jìn)行統(tǒng)計(jì)計(jì)數(shù)；
[0030]具體如下:
[0031]5.1)將目標(biāo)圖像檢測(cè)區(qū)域ROI的橫坐標(biāo)的最小值和最大值分別保存到對(duì)應(yīng)的變量xin和xout中，然后讀取數(shù)組MovingImages [i] [j]中的第一幀原始圖像序列，記為多目標(biāo)跟蹤統(tǒng)計(jì)計(jì)數(shù)的當(dāng)前幀目標(biāo)圖像；
[0032]5.2)定義計(jì)數(shù)變量PersonIn和PersonOut，分別記錄進(jìn)入和離開(kāi)的目標(biāo)數(shù)量，初始化設(shè)置為0，并規(guī)定沿X軸正方向?yàn)檫M(jìn)，逆X軸正方向?yàn)槌觯?br>[0033]5.3)對(duì)目標(biāo)連通域Area [n] [i]的質(zhì)心坐標(biāo)X的位置:
[0034]當(dāng)X < xin時(shí)，如果目標(biāo)連通域Area[n] [i]的運(yùn)動(dòng)軌跡的第一個(gè)質(zhì)心橫坐標(biāo)Xl ( xin，則說(shuō)明該目標(biāo)一直在預(yù)留區(qū)內(nèi)徘徊，任何計(jì)數(shù)器不動(dòng)作；如果Xl>xin，則說(shuō)明目標(biāo)離開(kāi)跟蹤窗口，方向?yàn)槌?，出?jì)數(shù)器PersonOut加I，并清除目標(biāo)連通域Area [n] [i]的目標(biāo)鏈；
[0035]當(dāng)X>xout時(shí)，如果目標(biāo)連通域Area[n] [i]的運(yùn)動(dòng)軌跡第一個(gè)質(zhì)心坐標(biāo)橫坐標(biāo)Xl ^ xout，則說(shuō)明該目標(biāo)一直在預(yù)留區(qū)內(nèi)徘徊，任何計(jì)數(shù)器不動(dòng)作；如果XKxout，則說(shuō)明目標(biāo)進(jìn)入跟蹤窗口，方向?yàn)檫M(jìn)，進(jìn)計(jì)數(shù)器PersonIn加1，并清除目標(biāo)連通域Area[n] [i]的目標(biāo)鏈；
[0036]當(dāng)xin〈X〈xout，則說(shuō)明目標(biāo)連通域Area[n] [i]在檢測(cè)區(qū)內(nèi)運(yùn)動(dòng)，其最后的運(yùn)動(dòng)方向不明，保留其特征值，等待下一幀中該目標(biāo)的跟蹤；若下一幀中有匹配目標(biāo)，則按上述步驟建立目標(biāo)鏈，否則作為干擾，丟棄；
[0037]5.4)跟蹤窗口中的所有目標(biāo)連通域進(jìn)行匹配后，驗(yàn)證當(dāng)前幀中所有目標(biāo)是否被跟蹤；若存在未被跟蹤的目標(biāo)，則判斷其質(zhì)心橫坐標(biāo)是否滿足X < Xin和X>xout中的任意一個(gè)，滿足則表示有新目標(biāo)出現(xiàn)，為其建立新的目標(biāo)鏈，獲取并記錄特征值，轉(zhuǎn)入步驟4中的
(3);不滿足則判斷為干擾，丟棄；
[0038]5.5)當(dāng)前幀圖像中所有目標(biāo)識(shí)別計(jì)數(shù)結(jié)束后，計(jì)算當(dāng)前進(jìn)計(jì)數(shù)器PersonIn和出計(jì)數(shù)器的差值PersonOut的差值，記為當(dāng)前客流量CustomCounting，當(dāng)前幀圖像的目標(biāo)識(shí)別計(jì)數(shù)結(jié)束；
[0039]5.6)依次對(duì)圖像數(shù)組MovingImages [i] [j]中每幀圖像的目標(biāo)連通域進(jìn)行識(shí)別和自動(dòng)計(jì)數(shù)，直到圖像數(shù)組MovingImages [i] [j]中的圖像序列全部處理完畢，則整個(gè)目標(biāo)識(shí)別計(jì)數(shù)結(jié)束。
[0040]按上述方案，所述采用目標(biāo)鏈代價(jià)函數(shù)對(duì)多目標(biāo)進(jìn)行跟蹤匹配，步驟是:
[0041]I)獲取第k幀圖像中多個(gè)目標(biāo)的三個(gè)特征值:目標(biāo)質(zhì)心坐標(biāo)、平均灰度和目標(biāo)區(qū)域的面積，其中目標(biāo)i的特征值分別記為:Point[k] [i]、Gray[k] [i]和Space[k] [i]；
[0042]2)利用Kalman濾波預(yù)測(cè)第k幀圖像中目標(biāo)i在第k+Ι幀圖像中的搜索區(qū)域，遍歷目標(biāo)i在第k+Ι幀圖像中的搜索區(qū)域，發(fā)現(xiàn)η個(gè)目標(biāo)對(duì)象，獲取他們的特征值，其中目標(biāo)j 的特征值分別記為:Point[k+l] [j]、Gray[k+l] [j]和 Space[k+1] [j]；
[0043]3)分別求取第t+1幀圖像目標(biāo)i的搜索區(qū)域中η個(gè)目標(biāo)對(duì)象與第t幀圖像中目標(biāo)i的3個(gè)特征值的變化程度，求取最大值分別記為MaxPoint、MaxGray和MaxSpace，具體計(jì)算公式如下:
[0044]MaxPoint [i] = Max (sqrt ((Point [k] [i].χ-Point [k+1] [m].x) * (Point [k] [i].χ-Point[k+1][m].x) + (Point[k][i].y-Point[k+1][m].y)*(Point[k][i].y-Point[k+1][m].y)))
[0045]MaxGray[i] =